5/07/2025，光纖在線(xiàn)訊，我非常認(rèn)真地上完了意大利米蘭理工大學(xué)Massimo Tornatore教授的SC483短課程”光網(wǎng)絡(luò)中的機(jī)器學(xué)習(xí)“，盡管并沒(méi)有聽(tīng)懂，但還是可以抓住一些內(nèi)容，和大家分享一下。

Tornatore教授的課程分成三個(gè)部分，第一部分是基本概念，第二部分是機(jī)器學(xué)習(xí)解決光網(wǎng)絡(luò)問(wèn)題的應(yīng)用，第三部分，采用機(jī)器學(xué)習(xí)評(píng)估光網(wǎng)絡(luò)傳輸質(zhì)量的模擬練習(xí)（這部分完全跟不上）。讓我們先看一下最后的示例，一個(gè)應(yīng)用于光網(wǎng)絡(luò)的個(gè)性化大模型。我們想讓AI幫我們?cè)O(shè)計(jì)兩個(gè)節(jié)點(diǎn)之間的光網(wǎng)絡(luò)線(xiàn)路，首先要知道的是依靠普通的大模型LLM來(lái)解決光網(wǎng)絡(luò)設(shè)計(jì)這樣的問(wèn)題根本就是個(gè)幻覺(jué)。由于其統(tǒng)計(jì)預(yù)測(cè)的原理，普通大模型的輸出是不可控的，依靠足夠多的參數(shù)還有上下文的學(xué)習(xí)幫助LLM改善輸出有幫助但是并不足夠。去年的ECOC有一篇PDP文章“光網(wǎng)絡(luò)數(shù)字孿生中的AI代理”基于Domain/Task 特定的LLM加上光網(wǎng)絡(luò)數(shù)字孿生生成了適合光網(wǎng)絡(luò)的AI-Agent，并在此基礎(chǔ)上完成了傳輸質(zhì)量評(píng)估QoT，失效管理以及流量預(yù)測(cè)，資源分配等工作，甚至還可以包括傳感應(yīng)用。

機(jī)器學(xué)習(xí)為什么能做到這些？讓我們回到基本概念。什么是機(jī)器學(xué)習(xí)ML? A. Samuel在1959年最初給出的定義是：“無(wú)需詳細(xì)編程，讓計(jì)算機(jī)具備自己學(xué)習(xí)的能力的研究領(lǐng)域”。在光網(wǎng)絡(luò)領(lǐng)域具體一點(diǎn)則是，根據(jù)被監(jiān)視的數(shù)據(jù)進(jìn)行決策的一系列統(tǒng)計(jì)和數(shù)學(xué)工具。如今，機(jī)器學(xué)習(xí)是個(gè)非常熱門(mén)的概念，它和自然語(yǔ)言處理，專(zhuān)家系統(tǒng)，機(jī)器視覺(jué)等都屬于人工智能AI的范疇，包含了深度學(xué)習(xí)，同時(shí)和之前熱門(mén)的數(shù)據(jù)挖掘，大數(shù)據(jù)都有交集。機(jī)器學(xué)習(xí)的算法可以分為：
受到監(jiān)視的學(xué)習(xí)：數(shù)據(jù)有標(biāo)簽，應(yīng)用包括流量預(yù)測(cè)，語(yǔ)音圖像識(shí)別等，具體算法包括線(xiàn)性回歸，邏輯回歸，神經(jīng)網(wǎng)絡(luò)等
不需要監(jiān)視的學(xué)習(xí)：數(shù)據(jù)沒(méi)有標(biāo)簽，應(yīng)用包括手機(jī)用戶(hù)的分類(lèi)刻畫(huà)，定向廣告等，具體算法包括K-means, Gaussian Mixture Models
半監(jiān)視的學(xué)習(xí)：前兩者的混合
加強(qiáng)型學(xué)習(xí)：沒(méi)有標(biāo)簽的數(shù)據(jù)，類(lèi)似控制論/動(dòng)態(tài)規(guī)劃

這里要簡(jiǎn)單解釋一下另一個(gè)大熱的詞匯“神經(jīng)網(wǎng)絡(luò)”，這是仿生物體神經(jīng)網(wǎng)絡(luò)的仿生概念，依靠邏輯單元或者Neuron來(lái)進(jìn)行回歸。這個(gè)回歸的層次增多，就是所謂的深度學(xué)習(xí)。而還要知道，很多時(shí)候也并非需要神經(jīng)網(wǎng)絡(luò)，也有一些諸如KNN, 隨機(jī)森林這樣的簡(jiǎn)單算法。

接下來(lái)的問(wèn)題是如何選擇合適的算法，如何判斷一個(gè)算法是否有效？從編輯之前做經(jīng)濟(jì)學(xué)研究的經(jīng)驗(yàn)，回歸算法的任意性其實(shí)非常大，完全可以通過(guò)調(diào)節(jié)參數(shù)來(lái)獲得預(yù)想的結(jié)果。為此在當(dāng)前AI領(lǐng)域，需要引入訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，甚至驗(yàn)證數(shù)據(jù)集，進(jìn)行反復(fù)計(jì)算，直到結(jié)果達(dá)到預(yù)期，這就是大模型的訓(xùn)練過(guò)程吧。

在上這堂課之前，編輯其實(shí)對(duì)AI是否真的有智能頗有困惑。說(shuō)一點(diǎn)個(gè)人體會(huì)，通過(guò)這堂課，我認(rèn)識(shí)到，第一，AI的確可以有智能，因?yàn)樗m然是基于統(tǒng)計(jì)算法的預(yù)測(cè)，但是只要之前的數(shù)據(jù)集夠大，的確可以給出想要的結(jié)果。第二，AI無(wú)法做真正的預(yù)測(cè)，因?yàn)樗皇窃趶暮Ａ恳阎獢?shù)據(jù)中尋找最相近的下一個(gè)數(shù)據(jù)，所以能代替的只是普通的事務(wù)性工作。第三，AI的實(shí)現(xiàn)需要人類(lèi)的深度參與，無(wú)論是訓(xùn)練過(guò)程，還是在結(jié)果的判定，對(duì)AI的提問(wèn)環(huán)節(jié)。

回到光網(wǎng)絡(luò)的應(yīng)用，機(jī)器學(xué)習(xí)如何幫助改善光網(wǎng)絡(luò)設(shè)計(jì)，提升光網(wǎng)絡(luò)傳輸質(zhì)量QoT。好的光網(wǎng)絡(luò)設(shè)計(jì)是盡可能low-margin低余量的網(wǎng)絡(luò)，這就同時(shí)需要基于機(jī)器學(xué)習(xí)的QoT以及路由，頻譜分配RSA（進(jìn)一步還有路由，波長(zhǎng)，調(diào)制模式，編碼速率的分配RWMCA），這里面的細(xì)節(jié)超過(guò)了編輯現(xiàn)在的知識(shí)能力，就不做介紹了。除了QoT，機(jī)器學(xué)習(xí)在光網(wǎng)絡(luò)領(lǐng)域的應(yīng)用還包括失效管理，光放大器控制，調(diào)制格式的自動(dòng)識(shí)別，非線(xiàn)性抑制，傳感，流量預(yù)測(cè)和虛擬拓?fù)湓O(shè)計(jì)，業(yè)務(wù)流分類(lèi)等等。

有了AI/ML的加持，未來(lái)的光網(wǎng)絡(luò)將是高度彈性化的，光模塊也將是彈性化的，可以支持多種調(diào)制格式，速率。也許到了那一天，回想我這次的學(xué)習(xí)還是很有價(jià)值的。


配圖  和Marriott Marquis（中)教授，Memedhe Irbahimi教授(左）在一起